AI BENCHY

KI-Benchmark-Bestenliste

Name: AI BENCHY Modell-Benchmark-Ergebnisse
Creator: AI BENCHY
License: https://aibenchy.com/methodology/

Benchmarks aus AI BENCHY-Test-Suites generiert am: 2026-05-10 Bewertete Modelle: 144

144/144

Rang	Modell	Punktzahl	Unternehmen	Gesamtkosten	Antwortzeit (Durchschnitt)
#24#24	Grok 4.3medium	8.0	X AI	$0.550	48.41s
Modellkarte anzeigen Gesamttests 19 Falsche Tests 6 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 77.2% Instabile Tests 3 Ausgabe-Token 1,237 Denk-Token 200,033 Antwortzeit (Durchschnitt) 48.41s Antwortzeit (Gesamt) 919.73s Antwortzeit (Maximum) 216.69s Falsche Antwort: 4 Anweisungen nicht befolgt: 2 Anti-KI-Tricks : 10.0 Programmierung : 10.0 Kombiniert : 10.0 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 5.3 Allgemeine Intelligenz : 5.4 Befolgung von Anweisungen : 9.8 Rätsellösen : 5.9 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#23#23	Gemini 3.1 Flash Lite Previewmedium	8.0	Google	$0.058	3.68s
Modellkarte anzeigen Gesamttests 19 Falsche Tests 6 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 68.4% Instabile Tests 0 Ausgabe-Token 2,180 Denk-Token 30,831 Antwortzeit (Durchschnitt) 3.68s Antwortzeit (Gesamt) 69.99s Antwortzeit (Maximum) 14.93s Falsche Antwort: 5 Anweisungen nicht befolgt: 1 Anti-KI-Tricks : 9.1 Programmierung : 10.0 Kombiniert : 10.0 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 3.0 Allgemeine Intelligenz : 10.0 Befolgung von Anweisungen : 10.0 Rätsellösen : 7.7 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#22#22	Hy3 previewhigh	8.0	Tencent	$0.000	56.77s
Modellkarte anzeigen Gesamttests 19 Falsche Tests 4 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 77.1% Instabile Tests 1 Ausgabe-Token 216,503 Denk-Token 0 Antwortzeit (Durchschnitt) 56.77s Antwortzeit (Gesamt) 851.49s Antwortzeit (Maximum) 149.94s Falsche Antwort: 3 API-Fehler: 1 Anti-KI-Tricks : 8.9 Programmierung : 10.0 Kombiniert : 10.0 Datenanalyse und -extraktion : 6.5 Domänenspezifisch : 5.3 Allgemeine Intelligenz : 0.0 Befolgung von Anweisungen : 9.9 Rätsellösen : 10.0 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#21#21	Qwen3.6 35B A3Bmedium	8.0	Qwen	$0.116	13.22s
Modellkarte anzeigen Gesamttests 19 Falsche Tests 5 Zuverlässigkeit 9.8 Erfolgsquote pro Versuch 74.5% Instabile Tests 2 Ausgabe-Token 15,018 Denk-Token 108,331 Antwortzeit (Durchschnitt) 13.22s Antwortzeit (Gesamt) 224.66s Antwortzeit (Maximum) 45.02s Falsche Antwort: 4 Anweisungen nicht befolgt: 1 Anti-KI-Tricks : 10.0 Programmierung : 10.0 Kombiniert : 0.0 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 5.3 Allgemeine Intelligenz : 4.4 Befolgung von Anweisungen : 10.0 Rätsellösen : 7.9 Werkzeugaufrufe : 0.0 Allgemeinwissen : 3.0
#20#20	GLM 5 Turbomedium	8.1	Z.ai	$0.187	18.85s
Modellkarte anzeigen Gesamttests 19 Falsche Tests 6 Zuverlässigkeit 6.7 Erfolgsquote pro Versuch 77.2% Instabile Tests 4 Ausgabe-Token 12,217 Denk-Token 40,252 Antwortzeit (Durchschnitt) 18.85s Antwortzeit (Gesamt) 358.15s Antwortzeit (Maximum) 194.23s Falsche Antwort: 4 Anweisungen nicht befolgt: 1 Zeitüberschreitung: 1 Anti-KI-Tricks : 10.0 Programmierung : 10.0 Kombiniert : 10.0 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 2.9 Allgemeine Intelligenz : 6.1 Befolgung von Anweisungen : 10.0 Rätsellösen : 8.7 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#19#19	GLM 5medium	8.1	Z.ai	$0.180	27.34s
Modellkarte anzeigen Gesamttests 19 Falsche Tests 6 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 80.7% Instabile Tests 4 Ausgabe-Token 20,564 Denk-Token 70,787 Antwortzeit (Durchschnitt) 27.34s Antwortzeit (Gesamt) 300.78s Antwortzeit (Maximum) 79.09s Falsche Antwort: 3 Anweisungen nicht befolgt: 1 Keine Antwort: 1 Zeitüberschreitung: 1 Anti-KI-Tricks : 10.0 Programmierung : 10.0 Kombiniert : 10.0 Datenanalyse und -extraktion : 7.1 Domänenspezifisch : 3.5 Allgemeine Intelligenz : 6.1 Befolgung von Anweisungen : 10.0 Rätsellösen : 10.0 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#18#18	MiMo-V2.5-Promedium	8.1	Xiaomi	$0.200	16.23s
Modellkarte anzeigen Gesamttests 18 Falsche Tests 6 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 74.1% Instabile Tests 2 Ausgabe-Token 2,790 Denk-Token 52,001 Antwortzeit (Durchschnitt) 16.23s Antwortzeit (Gesamt) 292.10s Antwortzeit (Maximum) 84.22s Zusätzliche Formatierung: 2 Anweisungen nicht befolgt: 2 Falsche Antwort: 2 Anti-KI-Tricks : 10.0 Programmierung : 10.0 Kombiniert : 10.0 Datenanalyse und -extraktion : 7.3 Domänenspezifisch : 5.3 Allgemeine Intelligenz : 5.5 Befolgung von Anweisungen : 9.9 Rätsellösen : 6.7 Werkzeugaufrufe : 10.0
#17#17	Qwen3.5-27Bmedium	8.1	Qwen	$0.534	54.71s
Modellkarte anzeigen Gesamttests 19 Falsche Tests 6 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 77.2% Instabile Tests 3 Ausgabe-Token 2,531 Denk-Token 266,183 Antwortzeit (Durchschnitt) 54.71s Antwortzeit (Gesamt) 1039.57s Antwortzeit (Maximum) 163.96s Anweisungen nicht befolgt: 2 Falsche Antwort: 2 Zusätzliche Formatierung: 1 Zeitüberschreitung: 1 Anti-KI-Tricks : 8.7 Programmierung : 10.0 Kombiniert : 10.0 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 5.3 Allgemeine Intelligenz : 6.1 Befolgung von Anweisungen : 10.0 Rätsellösen : 8.2 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#16#16	Grok 4.20 Betamedium	8.2	X AI	$0.633	9.81s
Modellkarte anzeigen Gesamttests 18 Falsche Tests 5 Zuverlässigkeit k. A. Erfolgsquote pro Versuch 79.6% Instabile Tests 2 Ausgabe-Token 1,568 Denk-Token 91,909 Antwortzeit (Durchschnitt) 9.81s Antwortzeit (Gesamt) 176.62s Antwortzeit (Maximum) 31.36s Falsche Antwort: 4 Anweisungen nicht befolgt: 1 Anti-KI-Tricks : 8.7 Programmierung : 10.0 Kombiniert : 10.0 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 5.3 Allgemeine Intelligenz : 10.0 Befolgung von Anweisungen : 9.8 Rätsellösen : 8.2 Werkzeugaufrufe : 3.0
#15#15	Qwen3.6 Plus Previewmedium	8.2	Qwen	$0.000	15.25s
Modellkarte anzeigen Gesamttests 19 Falsche Tests 3 Zuverlässigkeit k. A. Erfolgsquote pro Versuch 75.0% Instabile Tests 0 Ausgabe-Token 1,153 Denk-Token 62,197 Antwortzeit (Durchschnitt) 15.25s Antwortzeit (Gesamt) 182.96s Antwortzeit (Maximum) 43.55s Falsche Antwort: 3 Anti-KI-Tricks : 10.0 Programmierung : 0.0 Kombiniert : 10.0 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 3.0 Allgemeine Intelligenz : 0.0 Befolgung von Anweisungen : 10.0 Rätsellösen : 10.0 Werkzeugaufrufe : 10.0 Allgemeinwissen : 0.0
#14#14	Gemma 4 31Bmedium	8.2	Google	$0.023	28.72s
Modellkarte anzeigen Gesamttests 19 Falsche Tests 5 Zuverlässigkeit 6.7 Erfolgsquote pro Versuch 77.2% Instabile Tests 1 Ausgabe-Token 14,426 Denk-Token 37,964 Antwortzeit (Durchschnitt) 28.72s Antwortzeit (Gesamt) 488.27s Antwortzeit (Maximum) 90.14s API-Fehler: 2 Falsche Antwort: 2 Zeitüberschreitung: 1 Anti-KI-Tricks : 10.0 Programmierung : 4.7 Kombiniert : 3.0 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 7.7 Allgemeine Intelligenz : 10.0 Befolgung von Anweisungen : 10.0 Rätsellösen : 9.9 Werkzeugaufrufe : 3.0 Allgemeinwissen : 3.0
#13#13	GPT-5.3-Codexmedium	8.2	OpenAI	$0.598	15.33s
Modellkarte anzeigen Gesamttests 19 Falsche Tests 6 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 80.7% Instabile Tests 4 Ausgabe-Token 2,309 Denk-Token 36,880 Antwortzeit (Durchschnitt) 15.33s Antwortzeit (Gesamt) 291.34s Antwortzeit (Maximum) 100.93s Falsche Antwort: 4 Anweisungen nicht befolgt: 2 Anti-KI-Tricks : 8.7 Programmierung : 10.0 Kombiniert : 10.0 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 5.9 Allgemeine Intelligenz : 4.6 Befolgung von Anweisungen : 10.0 Rätsellösen : 9.0 Werkzeugaufrufe : 10.0 Allgemeinwissen : 2.8
#12#12	Qwen3.5 Plus 2026-02-15medium	8.2	Qwen	$0.247	51.33s
Modellkarte anzeigen Gesamttests 19 Falsche Tests 5 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 79.0% Instabile Tests 2 Ausgabe-Token 2,145 Denk-Token 129,019 Antwortzeit (Durchschnitt) 51.33s Antwortzeit (Gesamt) 616.01s Antwortzeit (Maximum) 120.91s Falsche Antwort: 3 Zeitüberschreitung: 2 Anti-KI-Tricks : 8.2 Programmierung : 10.0 Kombiniert : 10.0 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 5.3 Allgemeine Intelligenz : 4.7 Befolgung von Anweisungen : 10.0 Rätsellösen : 10.0 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#11#11	Seed-2.0-Litemedium	8.3	Bytedance Seed	$0.125	31.32s
Modellkarte anzeigen Gesamttests 19 Falsche Tests 6 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 79.0% Instabile Tests 3 Ausgabe-Token 3,266 Denk-Token 54,082 Antwortzeit (Durchschnitt) 31.32s Antwortzeit (Gesamt) 595.04s Antwortzeit (Maximum) 168.71s Falsche Antwort: 4 Anweisungen nicht befolgt: 2 Anti-KI-Tricks : 8.3 Programmierung : 10.0 Kombiniert : 10.0 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 5.9 Allgemeine Intelligenz : 6.7 Befolgung von Anweisungen : 10.0 Rätsellösen : 9.0 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#10#10	Gemini 3 PRO Previewmedium	8.4	Google	$0.197	9.06s
Modellkarte anzeigen Gesamttests 19 Falsche Tests 4 Zuverlässigkeit k. A. Erfolgsquote pro Versuch 77.8% Instabile Tests 0 Ausgabe-Token 1,508 Denk-Token 10,084 Antwortzeit (Durchschnitt) 9.06s Antwortzeit (Gesamt) 90.58s Antwortzeit (Maximum) 26.24s Falsche Antwort: 3 API-Fehler: 1 Anti-KI-Tricks : 10.0 Programmierung : 3.0 Kombiniert : 3.0 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 5.3 Allgemeine Intelligenz : 10.0 Befolgung von Anweisungen : 9.8 Rätsellösen : 10.0 Werkzeugaufrufe : 10.0 Allgemeinwissen : 0.0
#9#9	Qwen3.6 Max Previewmedium	8.5	Qwen	$0.872	48.96s
Modellkarte anzeigen Gesamttests 19 Falsche Tests 4 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 80.7% Instabile Tests 1 Ausgabe-Token 2,186 Denk-Token 105,156 Antwortzeit (Durchschnitt) 48.96s Antwortzeit (Gesamt) 930.20s Antwortzeit (Maximum) 186.74s Falsche Antwort: 4 Anti-KI-Tricks : 10.0 Programmierung : 10.0 Kombiniert : 10.0 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 2.9 Allgemeine Intelligenz : 10.0 Befolgung von Anweisungen : 10.0 Rätsellösen : 10.0 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#8#8	Gemini 3.1 Flash Lite Previewhigh	8.6	Google	$2.310	68.83s
Modellkarte anzeigen Gesamttests 16 Falsche Tests 3 Zuverlässigkeit k. A. Erfolgsquote pro Versuch 81.3% Instabile Tests 0 Ausgabe-Token 1,283 Denk-Token 1,533,310 Antwortzeit (Durchschnitt) 68.83s Antwortzeit (Gesamt) 1101.32s Antwortzeit (Maximum) 280.52s Falsche Antwort: 3 Anti-KI-Tricks : 10.0 Kombiniert : 10.0 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 5.3 Allgemeine Intelligenz : 10.0 Befolgung von Anweisungen : 9.8 Rätsellösen : 7.7 Werkzeugaufrufe : 10.0
#7#7	Gemini 3 Flash Previewlow	8.8	Google	$0.093	5.84s
Modellkarte anzeigen Gesamttests 19 Falsche Tests 3 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 86.0% Instabile Tests 1 Ausgabe-Token 2,027 Denk-Token 23,906 Antwortzeit (Durchschnitt) 5.84s Antwortzeit (Gesamt) 110.87s Antwortzeit (Maximum) 14.72s Falsche Antwort: 3 Anti-KI-Tricks : 10.0 Programmierung : 10.0 Kombiniert : 3.0 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 5.3 Allgemeine Intelligenz : 10.0 Befolgung von Anweisungen : 9.9 Rätsellösen : 10.0 Werkzeugaufrufe : 10.0 Allgemeinwissen : 10.0
#5#5	Claude Opus 4.7none	8.9	Anthropic	$0.507	3.04s
Modellkarte anzeigen Gesamttests 19 Falsche Tests 3 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 84.2% Instabile Tests 0 Ausgabe-Token 6,329 Denk-Token 0 Antwortzeit (Durchschnitt) 3.04s Antwortzeit (Gesamt) 57.79s Antwortzeit (Maximum) 18.27s Falsche Antwort: 3 Anti-KI-Tricks : 8.3 Programmierung : 10.0 Kombiniert : 9.5 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 7.7 Allgemeine Intelligenz : 10.0 Befolgung von Anweisungen : 10.0 Rätsellösen : 10.0 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#6#6	GPT-5.5low	8.9	OpenAI	$0.706	8.80s
Modellkarte anzeigen Gesamttests 19 Falsche Tests 3 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 84.2% Instabile Tests 0 Ausgabe-Token 2,008 Denk-Token 16,914 Antwortzeit (Durchschnitt) 8.80s Antwortzeit (Gesamt) 167.26s Antwortzeit (Maximum) 56.19s Falsche Antwort: 3 Anti-KI-Tricks : 10.0 Programmierung : 10.0 Kombiniert : 10.0 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 5.3 Allgemeine Intelligenz : 10.0 Befolgung von Anweisungen : 9.9 Rätsellösen : 10.0 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#4#4	GPT-5.5medium	8.9	OpenAI	$2.939	33.02s
Modellkarte anzeigen Gesamttests 19 Falsche Tests 3 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 87.7% Instabile Tests 2 Ausgabe-Token 1,950 Denk-Token 91,386 Antwortzeit (Durchschnitt) 33.02s Antwortzeit (Gesamt) 627.45s Antwortzeit (Maximum) 332.10s Falsche Antwort: 3 Anti-KI-Tricks : 10.0 Programmierung : 10.0 Kombiniert : 10.0 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 5.3 Allgemeine Intelligenz : 10.0 Befolgung von Anweisungen : 10.0 Rätsellösen : 10.0 Werkzeugaufrufe : 10.0 Allgemeinwissen : 2.8
#3🥉 #3	Claude Opus 4.7medium	8.9	Anthropic	$0.449	3.46s
Modellkarte anzeigen Gesamttests 19 Falsche Tests 3 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 84.2% Instabile Tests 0 Ausgabe-Token 5,399 Denk-Token 1,341 Antwortzeit (Durchschnitt) 3.46s Antwortzeit (Gesamt) 62.29s Antwortzeit (Maximum) 21.45s Falsche Antwort: 2 Zeitüberschreitung: 1 Anti-KI-Tricks : 8.3 Programmierung : 10.0 Kombiniert : 10.0 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 7.7 Allgemeine Intelligenz : 10.0 Befolgung von Anweisungen : 10.0 Rätsellösen : 10.0 Werkzeugaufrufe : 10.0 Allgemeinwissen : 3.0
#2🥈 #2	Gemini 3.1 Pro Previewmedium	9.6	Google	$0.594	15.15s
Modellkarte anzeigen Gesamttests 19 Falsche Tests 1 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 94.7% Instabile Tests 0 Ausgabe-Token 1,944 Denk-Token 41,839 Antwortzeit (Durchschnitt) 15.15s Antwortzeit (Gesamt) 181.78s Antwortzeit (Maximum) 40.61s Falsche Antwort: 1 Anti-KI-Tricks : 10.0 Programmierung : 10.0 Kombiniert : 9.5 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 7.7 Allgemeine Intelligenz : 10.0 Befolgung von Anweisungen : 10.0 Rätsellösen : 10.0 Werkzeugaufrufe : 10.0 Allgemeinwissen : 10.0
#1🥇 #1	Gemini 3 Flash Previewmedium	10.0	Google	$0.328	11.43s
Modellkarte anzeigen Gesamttests 19 Falsche Tests 0 Zuverlässigkeit 10.0 Erfolgsquote pro Versuch 100.0% Instabile Tests 0 Ausgabe-Token 1,985 Denk-Token 102,122 Antwortzeit (Durchschnitt) 11.43s Antwortzeit (Gesamt) 217.10s Antwortzeit (Maximum) 74.66s Anti-KI-Tricks : 10.0 Programmierung : 10.0 Kombiniert : 10.0 Datenanalyse und -extraktion : 10.0 Domänenspezifisch : 10.0 Allgemeine Intelligenz : 10.0 Befolgung von Anweisungen : 10.0 Rätsellösen : 10.0 Werkzeugaufrufe : 10.0 Allgemeinwissen : 10.0

Schnellvergleich

Gemini 3 Flash PreviewmediumvsGemini 3.1 Pro Previewmedium Gemini 3 Flash PreviewmediumvsClaude Opus 4.7medium Gemini 3 Flash PreviewmediumvsGPT-5.5medium Gemini 3 Flash PreviewmediumvsGPT-5.5low Gemini 3 Flash PreviewmediumvsGemini 3 Flash Previewlow Gemini 3 Flash PreviewmediumvsQwen3.6 Max Previewmedium Gemini 3 Flash PreviewmediumvsRing 2.6 1tmediumKostenlos verfügbar Gemini 3.1 Pro PreviewmediumvsClaude Opus 4.7medium Claude Opus 4.7mediumvsGPT-5.5medium GPT-5.5mediumvsGPT-5.5low GPT-5.5lowvsGemini 3 Flash Previewlow Gemini 3 Flash PreviewlowvsQwen3.6 Max Previewmedium

KI-Benchmark-Bestenliste

Modelle filtern

Schnellvergleich